2 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 2 / 2
Yayın Channel modelling and characterization for VLC-based medical body sensor networks(Işık Üniversitesi, 2022-01-10) Dönmez, Barış; Miramirkhani, Farshad; Işık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik - Elektronik Bölümü Yüksek Lisans ProgramıOptical Wireless Communication (OWC) refers to transmission in unguided propagation media through the use of optical carriers, i.e., visible, Infrared (IR), and Ultraviolet (UV) bands. In this thesis, we focus on indoor Visible Light Communication (VLC)-based Medical Body Sensor Networks (MBSNs) which allow the Light Emitting Diodes (LEDs) to communicate between on-body sensors/subdermal implants and on-body central hubs/monitoring devices while also serving as a luminaire. Since the Quality-of-Service (QoS) of the communication systems depends heavily on realistic channel modeling and characterization, this thesis aims at presenting an up-to-date survey of works on channel modeling activities for MBSNs. After the introduction chapter, the second chapter presents the literature survey and the first section reviews existing IR-based MBSNs channel models based on which VLC channel models are derived. The final section of this chapter provides comprehensive details on existing VLC-based MBSNs channel models. Third chapter presents a realistic channel modeling approach called site-specific ray tracing that considers the skin tissue for the MBSNs channel modeling for realistic hospital scenarios. In addition, channel characteristics which are the channel DC gain and RMS delay spread values that are extracted from the sample Channel Impulse Responses (CIRs) among extensive amount of static channel modelling simulations are demonstrated. Fourth chapter proposes a random trajectory generator and implements it in mobile channel modelling and characterization for the two of the aforementioned real-life based scenarios. Then, the CIRs and channel characteristics are obtained then by utilizing the simulation results data, the spatial distribution of channel characteristics and curve fitting on histograms of these are illustrated with explanations.Yayın Intelligent health monitoring in 6G networks: machine learning-enhanced VLC-based medical body sensor networks(Işık Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2025-09-01) Antaki, Bilal; Miramirkhani, Farshad; Işık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Elektrik Mühendisliği Yüksek Lisans Programı; Işık University, School of Graduate Studies, Electrical Engineering M.S. ProgramYapay Zeka (YZ) destekli kablosuz haberleşmedeki son gelişmeler, elektromanyetik girişim kaygıları nedeniyle geleneksel Radyo Frekansı (RF) sistemlerinin kısıtlamalarla karşılaştığı hastaneler gibi kritik ortamlarda Altıncı Nesil (6G) teknolojilerinin benimsenmesini hızlandırmaktadır. Mevcut LED tabanlı aydınlatma altyapısını kullanan Görünür Işık Haberleşmesi (VLC), yüksek hızlı veri iletimi ve azaltılmış elektromanyetik girişim (EMI) gibi ikili avantaj sunmaktadır. Ancak, klinik ortamlardaki hasta hareketleri sinyal alımında önemli değişkenliğe neden olmakta ve kanal özelliklerini dinamik olarak değiştirmektedir. Bu araştırma, farklı hastane senaryolarında VLC tabanlı Medikal Vücut Sensör Ağları (MBSN) kanallarını modellemek için ortama özgü ışın izleme ile Makine Öğrenmesi (ML) tekniklerini birleştiren yenilikçi bir metodoloji sunmaktadır. İlk katkı, önceden çevresel veriye ihtiyaç duymadan gerçek zamanlı olarak hedef sembol hata oranlarını (SER) koruyabilen Q-öğrenme güdümlü uyarlanabilir modülasyon algoritmasının uygulanmasını içermektedir. İkinci bileşen, değişken hastane koşullarında yol kaybı ve Kök Ortalama Kare (RMS) gecikme yayılımını tahmin etmek için bir Uzun Kısa Süreli Bellek (LSTM) modeli tasarlamayı kapsamaktadır. Üçüncü katkı, doğru hasta konumlandırması için altı farklı algoritmayı—Doğrusal Regresyon, Destek Vektör Regresyonu, K-En Yakın Komşu, Çok Katmanlı Algılayıcı (MLP), LSTM ve Geçitli Tekrarlayan Birimler—değerlendiren kapsamlı bir ML tabanlı konum tahmin çerçevesi sunmaktadır. Bugüne kadar, bu çalışma tıbbi ortamlarda ışın izlemeli Kanal Darbe Yanıtı (CIR) modellemesini ML güdümlü analizle birleştiren ilk çalışma olarak görünmektedir. Simülasyon bulguları, Q-öğrenme modelinin güvenilir bir şekilde SER hedeflerini karşıladığını ve spektral verimliliğin (SE) eşik seviyesine yakın koşullarda optimale yakın performans gösterdiğini ortaya koymaktadır. Ayrıca, LSTM tabanlı tahminler, Yoğun Bakım Ünitesi (YBÜ) senaryosunda D1 konumundaki sensörün hem yol kaybı (1.6797 dB) hem de RMS gecikme yayılımı (1.0567 ns) için en büyük Kök Ortalama Kare Hatasını (RMSE) ürettiğini göstermektedir. Buna karşılık, Aile Tipi Hasta Odasında (ATHO) D3 sensörü, yol kaybında (1.0652 dB) ve gecikme yayılımında (0.7657 ns) en yüksek RMSE değerlerini vermekte ve gerçekçi çalışma koşullarında güçlü tahmin performansını doğrulamaktadır. Konum tahmini için MLP, optimal mimari olarak öne çıkmakta, ATHO'da birleşik D1D2-D3 sensör konfigürasyonları için 58.6 cm'lik metre altı doğruluk elde etmekte, bireysel sensörler 63.5 cm (D1), 75.0 cm (D2) ve 73.1 cm (D3) değerleri vermekte, daha karmaşık YBÜ ortamında ise MLP, D1-D2-D3 için 217.1 cm'lik klinik olarak kabul edilebilir hassasiyeti korumakta, eşleştirilmiş konfigürasyonlar 202.1 cm (D1-D2) ve 216.3 cm (D1-D3) elde etmekte, tüm bunları sıralı modellere kıyasla %35-48 hesaplama gereksinimi azaltması ve %37-89 daha hızlı hiperparametre optimizasyonu ile sunarak sağlık tesislerinde gerçek zamanlı hasta takibi için en pratik çözüm olmaktadır.
